内容发布更新时间 : 2025/3/17 6:18:16星期一 下面是文章的全部内容请认真阅读。
直线相关系数的意义 直线相关系数r的值，在任何情况下总在﹣1与﹢1之间，而在医学研究中由于影响因素众多，很少有完全相关的情况；相关系数r的正负号表示相关的性质，即正相关、负相关以及零相关；相关系数r的绝对值大小表示相关程度的大小（强弱），愈接近于1，相关程度愈高；愈接近于0，相关程度愈低。 线性相关应用中应注意的问题
1、样本的相关系数接近零时并不意味着两变量间一定无相关性。2、一个变量的数值人为选定时莫作相关。3、出现异常点时慎用相关。4、相关未必真有内在联系。5、分层资料盲目合并易出假象。6、注意变量取值的离散程度。 秩相关适用于下列资料：（1）不服从双变量正态分布（2）总体分布型未知（3）等级资料 Spearman等级相关：它是用秩相关系数rs说明两变量间相关关系的密切程度和方向。 何为两属性相互独立？书P203
所谓两属性X和Y互相独立（independence)，是指属性X的分布的概率与属性Y的概率分布无关，否则称这两种属性之间存在关联性。从概率的角度考虑，独立是指在交叉分类表每一格子中同时具有两种属性的联合概率等于相应属性的边际概率的乘积。 列联系数。书P204
关于两个分类变量关联程度，我们可用Peason列联系数（contingency coefficient）来描述。列联系数介于0与1之间，表示两种属性相关的密切程度。理论上也应就总体列联系数是否为0作假设检验，但这个假设检验等价于上述两变量关联性分析的卡方检验。
相关系数和列联系数。书P211小结4、5
对两个随机变量进行关联性或相关性分析时，如何正确选择统计分析方法（写出相应的公式）？
答：①两变量为数值变量时：a、若两变量均为正态随机变量，且其散点图呈直线趋势，则用直线相关分析，计算样本相关系数：
然后对其进行假设检验： H0：ρ=0 H1：ρ≠0 α=0.05 ，v=n-2
b、若两变量为非正态分布，则用等级相关分析。将两变量各自按由小到大的顺序排秩，编上秩次，求各对数据的秩次之差，记为di。按下式计算Spearman等级相关系数： 然后对其进行假设检验： H0：ρ=0 H1：ρ≠0 α=0.05
当n≤50时，查Spearman等级相关系数界值表；当n>50时，按下式计算检验统计量u： ，根据标准正态分布的概率函数确定P值，作出推断结论。 ②两变量为分类变量时：
a、两变量均为无序多分类变量时：用行×列表的?2检验： H0：两变量无关联 H1：两变量有关联 α=0.05
若拒绝H0，接受H1，可计算Pearson关联系数：
b、两变量均为有序多分类变量时，可用Spearman等级相关分析，方法同前。 随机区组设计多个样本比较的Friedman M检验，备择假设H1如何写？为什么？
答：H1写为多个总体分布位置不全相同。H1不能写为多个总体分布不全相同。因为Friedman M检验对于多个总体分布的形状差别不敏感，只对其位置差别敏感。
量间相互关系用相关，此时两变量的关系是平等的；而说明两变量间依存变化的数量关系用回归，用以说明Y如何依赖于X而变化。③意义上：r说明具有直线关系的两变量间相互关系的方向和密切程度；b表示X每变化一个单位所导致Y的平均变化量。④计算上： , 。⑤取值范围：-1≤r≤1，- ∞＜b＜∞。⑥单位：r没有单位，b有单位。 Pearson积距相关与Spearman等级相关有何异同？
答：Pearson积距相关与Spearman等级相关的应用条件不同，前者要求数据服从二元正态分布，属于参数方法；而后者可不满足正态分布条件，为非参数法；相同点都是用来解决两变量间的线性相关程度的大小，相关系数的含义、单
位、取值范围一致，且计算公式相同，不过一个直接用原始的定量数据，另一个则要用等级数据。 比较分类变量的两个样本或多个样本的频数分布所采用的χ2检验与关联性分析的χ2检验有何异同？
答：